分布式存储之哈希取余算法
# 100.分布式存储之哈希取余算法
本文讲讲大厂面试题第四季-分布式存储案例,例如用Redis集群(3主3从)情况下,如何存储亿级数据。
# 分析
首先,单机单台100%不可能,肯定是分布式存储。
该问题是阿里P6~P7工程案例和场景设计类必考题目, 一般业界有3种解决方案:
- 哈希取余分区
- 一致性哈希算法分区
- 哈希槽分区
从上往下,复杂度越来越高
# 哈希取余分区
原理:2亿条记录就是2亿个k,v,我们单机不行必须要分布式多机,假设有3台机器构成一个集群,用户每次读写操作都是根据公式:hash(key) % N个机器台数,计算出哈希值,用来决定数据映射到哪一个节点上。
优点:简单粗暴,直接有效,只需要预估好数据规划好节点,例如3台、8台、10台,就能保证一段时间的数据支撑。使用Hash算法让固定的一部分请求落到同一台服务器上,这样每台服务器固定处理一部分请求(并维护这些请求的信息),起到负载均衡+分而治之的作用。
缺点:原来规划好的节点,进行扩容或者缩容就比较麻烦了,不管扩缩,每次数据变动导致节点有变动,映射关系需要重新进行计算,在服务器个数固定不变时没有问题,如果需要弹性扩容或故障停机的情况下,原来的取模公式就会发生变化:Hash(key)/3
会变成Hash(key) /?
,此时地址经过取余运算的结果将发生很大变化,根据公式获取的服务器也会变得不可控。
某个redis机器宕机了,由于台数数量变化,会导致hash取余全部数据重新洗牌。
# 一致性哈希算法分区
背景:一致性哈希算法在1997年由麻省理工学院中提出的,设计目标是为了解决分布式缓存数据变动和映射问题,某个机器宕机了,分母数量改变了,取余就不好用了
原理:提出一致性Hash解决方案,当服务器个数发生变动时,尽量减少影响客户端到服务器的映射关系。
步骤:
- 构建一致性哈希环
- 服务器IP节点映射
- key落到服务器的落键规则
# 一致性哈希环
一致性哈希算法必然有个hash函数并按照算法产生hash值,这个算法能算出来的所有哈希值会构成一个全量集。
这个集合可以称之为一个hash空间 [0,2^32^-1],这个是一个线性空间,但是在算法中,我们通过适当的逻辑控制将它首尾相连,这样让它逻辑上形成了一个环形空间。
之前我们是对节点(服务器)的数量进行取模,而一致性Hash算法是对2^32^取模。
整个空间按顺时针方向组织,圆环的正上方的点代表0,0点右侧的第一个点代表1,以此类推,2、3、4、……直到2^32^-1,也就是说0点左侧的第一个点代表2^32^-1,我们把这个由2^32^个点组成的圆环称为Hash环。
# 服务器IP节点映射
接下来将集群中各个IP节点映射到环上的某一个位置。将各个服务器使用Hash进行一个计算,具体可以选择服务器的IP或主机名作为关键字进行计算,这样每台机器就能确定其在哈希环上的位置。假如4个节点NodeA、B、C、D,经过IP地址的哈希函数计算(hash(ip))
,使用IP地址哈希后在环空间的位置如下:
# key落到服务器的落键规则
当我们需要存储一个kv键值对时,首先计算key的hash值,算出哈希值并确定此数据在环上的位置,从此位置沿环顺时针“行走”,第一台遇到的服务器就是其应该定位到的服务器,并将该键值对存储在该节点上。
如我们有Object A、Object B、Object C、Object D四个数据对象,经过哈希计算后,在环空间上的位置如下:根据一致性Hash算法,数据A会被定为到Node A上,B被定为到Node B上,C被定为到Node C上,D被定为到Node D上。
# 优点
解决了容错性和扩展性的问题。
**容错性:**假设Node C宕机,可以看到此时对象A、B、D不会受到影响,只有C对象被重定位到Node D。一般的,在一致性Hash算法中,如果一台服务器不可用,则受影响的数据仅仅是此服务器到其环空间中前一台服务器(即沿着逆时针方向行走遇到的第一台服务器)之间数据,其它不会受到影响。简单说,就是C挂了,受到影响的只是B、C之间的数据,并且这些数据会转移到D进行存储。
扩展性:数据量增加了,需要增加一台节点NodeX,X的位置在A和B之间,那收到影响的也就是A到X之间的数据,重新把A到X的数据录入到X上即可,不会导致hash取余全部数据重新洗牌。
# 缺点
Hash环的数据倾斜问题:一致性Hash算法在服务节点太少时,容易因为节点分布不均匀而造成数据倾斜(被缓存的对象大部分集中缓存在某一台服务器上)问题,例如系统中只有两台服务器:
# 小结
为了在节点数目发生改变时尽可能少的迁移数据,将所有的存储节点排列在收尾相接的Hash环上,每个key在计算Hash后会顺时针找到临近的存储节点存放。
而当有节点加入或退出时仅影响该节点在Hash环上顺时针相邻的后续节点。
优点:加入和删除节点只影响哈希环中顺时针方向的相邻的节点,对其他节点无影响。
缺点:数据的分布和节点的位置有关,因为这些节点不是均匀的分布在哈希环上的,所以数据在进行存储时达不到均匀分布的效果。
# 哈希槽分区
常用,需掌握
# 概述
哈希槽分区,解决了一致性哈希算法的数据倾斜问题。哈希槽实质就是一个数组 [0,2^14 ^-1] 形成hash slot空间
为了解决倾斜的问题,在数据和节点之间又加入了一层,把这层称为哈希槽(slot),用于管理数据和节点之间的关系,现在就相当于节点上放的是槽,槽里放的是数据。(有点像代理模式)
槽解决的是粒度问题,相当于把粒度变大了,这样便于数据移动。
哈希解决的是映射问题,使用key的哈希值来计算所在的槽,便于数据分配。
多少个hash槽?
一个集群只能有16384个槽,编号0-16383 (也就是0 ~2^14^-1)。
Redis也是用的哈希槽,具体的可以看尚硅谷的大厂学苑-Redis专题,这里不展开
将由这些槽决定数据如何分配给集群中的所有主节点,分配策略没有要求。可以指定哪些编号的槽分配给哪个节点,集群会记录节点和槽的对应关系。
解决了节点和槽的关系后,接下来就需要对key求哈希值,然后对16384取余,余数是几,key就落入对应的槽里。slot = CRC16(key) % 16384
。以槽为单位移动数据,因为槽的数目是固定的,处理起来比较容易,这样数据移动问题就解决了。
# 哈希槽计算
Redis 集群中内置了 16384 个哈希槽,Redis 会根据节点数量大致均等的将哈希槽映射到不同的节点。当需要在 Redis 集群中放置一个 key-value时,Redis 先对 key 使用 crc16 算法算出一个结果,然后把结果对 16384 求余数,这样每个 key 都会对应一个编号在 0-16383 之间的哈希槽,也就是映射到某个节点上。
如下代码,key之A 、B在Node2, key之C落在Node3上
@Test
public void test() {
// import io.lettuce.core.cluster.SlotHash
System.out.println(SlotHash.getSlot("A")); //6373
System.out.println(SlotHash.getSlot("B")); //10374
System.out.println(SlotHash.getSlot("C")); //14503
System.out.println(SlotHash.getSlot("hello")); //866
}
2
3
4
5
6
7
8
接下来就是实操,搭建Redis集群
(完)